CN115546551A - 一种基于深度学习的地理信息提取方法及系统 - Google Patents

一种基于深度学习的地理信息提取方法及系统 Download PDF

Info

Publication number
CN115546551A
CN115546551A CN202211259179.3A CN202211259179A CN115546551A CN 115546551 A CN115546551 A CN 115546551A CN 202211259179 A CN202211259179 A CN 202211259179A CN 115546551 A CN115546551 A CN 115546551A
Authority
CN
China
Prior art keywords
image
gradient
geographic information
deep learning
image data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211259179.3A
Other languages
English (en)
Inventor
阳建
李刚
景文川
徐源
王涛
黄欠
黄鹏
余游
王泽贵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Sichuan Electric Power Transmission And Transformation Construction Co ltd
Original Assignee
State Grid Sichuan Electric Power Transmission And Transformation Construction Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Sichuan Electric Power Transmission And Transformation Construction Co ltd filed Critical State Grid Sichuan Electric Power Transmission And Transformation Construction Co ltd
Priority to CN202211259179.3A priority Critical patent/CN115546551A/zh
Publication of CN115546551A publication Critical patent/CN115546551A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于深度学习的地理信息提取方法及系统，属于图像处理技术领域；用三维图像数据结合已有的地图数据，通过深度学习方法训练得到网络分类模型，在训练网络分类模型前先对三维图像数据进行一系列的预处理操作得到梯度向量，将三维图像数据中小结构的常规地图上无法准确描述显示的地理信息暴露出来，在通过深度学习方法来训练构建网络分类模型，卷积神经网络可以很方便提取三维图像数据中判别性较高的信息，通过网络分类模型对待提取图像识别提取时能够得到更加准确的地理信息分类结果，为张牵场的选址提供准确的地理依据；由于网络分类模型具有良好的训练基础，使得三维的待提取图像也能够快速精准的提取出所需地理信息。

Description

一种基于深度学习的地理信息提取方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于深度学习的地理信息提取方法及系统。
背景技术
在利用三维地理信息进行张牵场选址的时候，需要准确掌握线路上的地理信息。影响张牵场选址的因素有很多，如高铁、高速公路、重要输电通道的架空输电线路区段、通航河流、道路交通、房屋建筑、森林植被等；通常，一些大结构的地理信息可以在精度比较高的地图上进行获取。对于需要准确掌握某些区域的地理信息的情况，需要采用激光雷达进行地理测量，该设备价格昂贵，对于大多数企业而言是一种沉重的负担。而且，由于张牵场选址涉及到的地理范围比较广，采用该方式得到的是3D点云数据，大面积的测量导致出现海量的点云数据，对后期的处理极不方便，如三维地图的显示速度慢，将3D点云数据进行曲面建模困难等。
为了得到高精度的地理信息，当前，使用最多的方式是车载移动测量或无人机测量来获取这些地理信息。通过车载测量或无人机进行地理信息测量得到三维地理信息。通过车载公路测量数据采集、通过车载移动测量系统点云精度评定方法、通过无人机航空摄影测量方法、通过无人机测量技术在地形测量方面应用。对于车载移动测量而言，首先需要满足车载测量设备具有通行条件，而对于高架线路施工来说，大多数在野外山区进行，道路条件限制了车载移动测量的应用。因此，无人机进行地理信息测量是当前的主流趋势。但是，尽管通过无人机测量可以得到地理信息，融合二维地图可以直观的了解三维地理，却还是需要人工确定地理上的各种信息，尤其是一些小结构的地理信息如乡村公路、小的河流、小的房屋建筑等。而且，无人机测量的精度与成本有直接的关系，高精度测量的成本对于很多企业而言是一种严重的负担。更重要的是，无人机测量结果并没有直接对应某类地理信息，需要人工对测量结果进行分类，由此严重影响了张牵场选址的效率。
因此，需要一种自动提取地理信息的方法，从测量得到的地理数据中自动提取地理信息。传统的基于地形图的地理信息自动提取方法，提取的精度不高，且需要借助已有地图信息提取高程、坡度、坡向等信息，无法直接从无人机测量的三维数据中提取对应的地理信息。
发明内容
本发明所要解决的技术问题是：传统的基于地形图的地理信息自动提取方法，提取的精度不高，且需要借助已有地图信息提取高程、坡度、坡向等地理信息，无法直接从无人机测量的三维数据中提取对应的地理信息。本发明目的在于提供一种基于深度学习的地理信息提取方法及系统，利用三维图像数据，结合已有的地图数据，利用深度学习方法，对三维图像数据进行预处理、切片、计算梯度幅值图像并分割计算梯度向量后通过深度学习方法来训练构建网络分类模型；通过网络分类模型为张牵场的选址提供准确的地理依据。
本发明通过下述技术方案实现：
本方案提供一种基于深度学习的地理信息提取方法，包括：
步骤一：获取目标区域的三维图像数据；
步骤二：对三维图像数据预处理后切片处理得到N个图像数据；
步骤三：计算出各图像数据的梯度幅值图像，并对梯度幅值图像进行分割得到区域图像；
步骤四：计算每个区域图像的梯度向量后输入卷积神经网络进行训练得到网络分类模型；
步骤五：将待提取图像输入网络分类模型进行识别提取得到该图像的地理信息。
本方案工作原理：传统的基于地形图的地理信息自动提取方法，提取的精度不高，且需要借助已有地图信息提取高程、坡度、坡向等信息，无法直接从无人机测量的三维数据中提取对应的地理信息。本方案提供的基于深度学习的地理信息提取方法，用三维图像数据结合已有的地图数据，利用深度学习方法训练得到网络分类模型，训练网络分类模型前先对三维图像数据进行预处理、切片、计算梯度幅值图像并分割计算梯度向量等操作，将三维图像数据中小结构的常规地图上无法准确描述显示的地理信息暴露出来，再通过深度学习方法来训练构建网络分类模型，利用卷积神经网络对提取的特征进行训练，提取了三维图像数据中判别性较高的信息，因此通过网络分类模型对待提取图像识别提取时能够得到更加准确的地理信息分类结果，为张牵场的选址提供准确的地理依据；对于待提取图像是三维图像数据的情形，本方案中的网络分类模型具有良好的训练基础，因此能够精准的提取出高程、坡度、坡向等地理信息。
通过将已有的地图进行切片处理，将切片转换为图像，提取图像中的特征，利用卷积神经网络对提取的特征进行训练，将无人机测量得到的三维地理数据进行二维投影，得到无人机测量的二维图像，然后根据提取二维图像中的特征信息，利用训练的神经网络模型对其进行识别，从而提取出对应的地理信息，实现地理信息分类；通过区域图像的梯度向量训练神经网络模型，能够以图像中判别性较高的信息作为神经网络模型的训练集，能够得到更加准确的地理信息分类结果，保证了地理信息提取的精度。
采用深度学习技术对梯度向量数据进行训练和识别，准确提取了地理数据中的每块区域特征，从而准确识别无人机测量数据中的每块区域，不需要人工干预就可以建立测量数据的数据类型，为张牵场选址提供了数据支撑，提高了张牵场选址的效率。
进一步优化方案为，所述预处理过程为将三维图像数据投影得到二维图像数据。减少了训练过程的数据量，提高的处理速度。
进一步优化方案为，梯度幅值图像的获取方法为：
基于图像数据的像素点计算出x方向的梯度Dx和y方向的梯度Dy；
基于x方向的梯度Dx和y方向的梯度Dy根据式
Figure BDA0003890856130000031
计算该像素点的图像梯度
Figure BDA0003890856130000032
计算出所有像素点的图像梯度
Figure BDA0003890856130000033
后得到梯度幅值图像。
进一步优化方案为，像素点在x方向的梯度Dx和y方向的梯度Dy通过下式计算：
Figure BDA0003890856130000034
式中x和y为像素点在图像数据上的横坐标和纵坐标。
上述方案将三维地理数据处理为二维图像，然后利用图像梯度特征，对于三维地图，由于每个不同的区域都具有边界，因此，在边界位置的梯度比较大；计算梯度幅值能够丰富的表征边界信息，提取的边界效果好，能准确的反映地图图像数据每个区域的边界；
进一步优化方案为，所述区域图像的获取方法包括：用分水岭算法对梯度幅值图像进行分割得到多个区域不同的图像块，对每个图像块进行所述区域类别的标注得到区域图像。分水岭方法是基于拓扑理论的数学形态学的分割方法，主要是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。
进一步优化方案为，区域图像的梯度方向计算方法为：
区域图像上的像素点i的坐标为(n，m)；
用像素点i的梯度方向向量为
Figure BDA0003890856130000035
以区域图像上所有像素点的梯度方向向量表示该区域图像的梯度向量。由此得到图像的梯度向量表示图像的梯度向量具有很高的判别性，因此，基于梯度向量进行训练得到的特征能更好的对图像进行分类；由于以梯度向量代替图像每一块区域的数据，梯度向量不受噪声、杂点、光照的影响，因此训练提取的特征唯一性更高，判别性更好，能有效提高数据分类的精度。
进一步优化方案为，所述待提取图像为无人机测量的三维地理数据。
进一步优化方案为，先对待提取图像执行步骤二和步骤三后得到待提取图像的区域图像；
再计算待提取图像各区域图像的梯度向量后输入网络分类模型进行识别提取。
待提取图像在输入网络分类模型之前先进行预处理，经过与训练集相同的预处理操作后再输入网络分类模型，可以有效提高计算效率，同时还减少了数据量，节约网络分类模型中的内存，提高的处理速度。
本方案还提供一种基于深度学习的地理信息提取系统，应用于上述基于深度学习的地理信息提取方法，包括：采集模块、预处理模块、计算模块、训练模块和提取模块；
采集模块用于获取目标区域的三地图数据；
预处理模块用于对三维地图数据预处理后切片处理得到N个图像数据；
计算模块用于计算出各图像数据的梯度幅值图像，并对梯度幅值图像进行分割得到区域图像；
训练模块用于对区域图像计算梯度方向后输入卷积神经网络进行训练得到网络分类模型；
提取模块用于将待提取图像输入网络分类模型进行识别提取出该图像的地理信息。
利用三维图像数据，结合已有的地图数据，利用深度学习方法，对三维图像数据进行预处理、切片、计算梯度幅值图像并分割计算梯度向量后通过深度学习方法来训练构建网络分类模型；通过网络分类模型为张牵场的选址提供准确的地理依据；由区域图像的梯度向量训练神经网络模型，以图像中判别性较高的信息作为神经网络模型的训练集，能够得到更加准确的地理信息分类结果，保证了地理信息提取的精度。
本方案还提供一种非暂态计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现基于深度学习的地理信息提取方法的步骤。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明提供的一种基于深度学习的地理信息提取方法及系统，用三维图像数据结合已有的地图数据，利用深度学习方法训练得到网络分类模型，训练网络分类模型前先对三维图像数据进行预处理、切片、计算梯度幅值图像并分割计算梯度向量等操作，将三维图像数据中小结构的常规地图上无法准确描述显示的地理信息暴露出来，通过深度学习方法来训练构建网络分类模型，利用卷积神经网络可以便捷的直接提取出三维图像数据中判别性较高的信息，因此通过网络分类模型对待提取图像识别提取时能够得到更加准确的地理信息分类结果，为张牵场的选址提供准确的地理依据；对于待提取图像是三维图像数据的情形，本方案中的网络分类模型具有良好的训练基础，因此能够精准的提取出高程、坡度、坡向等地理信息。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
图1为基于深度学习的地理信息提取方法流程示意图；
图2为实施例3处理器执行步骤流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在张牵场选址中存在着对地理信息掌握不够准确，可能选址不够优化，选址时间长，效率低下等问题。
本发明提供以下实施例解决上述问题：
实施例1
本实施例提供一种基于深度学习的地理信息提取方法，如图1所示，包括：
步骤一：获取目标区域的三维图像数据；
步骤二：对三维图像数据预处理后切片处理得到N个图像数据；
步骤三：计算出各图像数据的梯度幅值图像，并对梯度幅值图像进行分割得到区域图像；
步骤四：计算每个区域图像的梯度向量后输入卷积神经网络进行训练得到网络分类模型；
步骤五：将待提取图像输入网络分类模型进行识别提取得到该图像的地理信息。
所述预处理过程为将三维图像数据投影得到二维图像数据。
梯度幅值图像的获取方法为：
基于图像数据的像素点计算出x方向的梯度Dx和y方向的梯度Dy；
基于x方向的梯度Dx和y方向的梯度Dy根据式
Figure BDA0003890856130000051
计算该像素点的图像梯度
Figure BDA0003890856130000052
计算出所有像素点的图像梯度
Figure BDA0003890856130000053
后得到梯度幅值图像。
像素点在x方向的梯度Dx和y方向的梯度Dy通过下式计算：
Figure BDA0003890856130000061
式中x和y为像素点在图像数据上的横坐标和纵坐标。
所述区域图像的获取方法包括：用分水岭算法对梯度幅值图像进行分割得到多个区域不同的图像块，对每个图像块进行所述区域类别的标注得到区域图像。
区域图像的梯度方向计算方法为：
区域图像上的像素点i的坐标为(n，m)；
用像素点i的梯度方向向量为
Figure BDA0003890856130000062
以区域图像上所有像素点的梯度方向向量表示该区域图像的梯度向量。
所述待提取图像为无人机测量的三维地理数据。
先对待提取图像执行步骤二和步骤三后得到待提取图像的区域图像；
再计算待提取图像各区域图像的梯度向量后输入网络分类模型进行识别提取。
本实施例将地图数据进行切片，然后转化为图像，并提取图像中不同地理信息的特征，利用卷积神经网络对特征进行训练，得到训练模型。对于采集的三维地理数据，首先将三维地理数据进行二维投影，得到二维图像，从二维图像中提取梯度信息，根据梯度信息对图像进行分块，然后对分块后的每块图像进行特征提取，最后利用已训练好的神经网络模型对每块图像数据进行识别，得到具体的地理信息。不同于已有的深度学习算法直接将整张图像进行训练，也不同于已有的卷积神经网络直接对图像进行卷积运算来提取图像特征，而是利用直接从图像中提取特征的方法来进行训练和识别，由于本方案对三维图像数据进行一系列预处理操作后，图像特征的判别性很高，因此，最终的地理信息提取准确率更高；可以很好的解决地理信息分类不准确，从而导致张牵场选址可能出现的问题。
实施例2
本实施例提供一种基于深度学习的地理信息提取系统，应用于上一实施例所述的方法，包括：采集模块、预处理模块、计算模块、训练模块和提取模块；
采集模块用于获取目标区域的三维地图数据；
预处理模块用于对三维地图数据预处理后切片处理得到N个图像数据；
计算模块用于计算出各图像数据的梯度幅值图像，并对梯度幅值图像进行分割得到区域图像；
训练模块用于对区域图像计算梯度方向后输入卷积神经网络进行训练得到网络分类模型；
提取模块用于将待提取图像输入网络分类模型进行识别提取出该图像的地理信息。
实施例3
本实施例提供一种非暂态计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现实施例1所述的方法的步骤。处理器详细执行步骤如图2所示，首先进行数据准备，将三维地图数据切片并转为二维图像，计算图像梯度，将梯度幅值图像作为分水岭算法的输入得到图像分割结果，标记每块分割分类，然后计算每块区域的梯度方向向量作为训练数据；基于卷积神经网络对训练数据进行训练得到网络分类模型；
将无人机测量待提取三维数据投影为二维图像，采用与训练数据相同的处理方式得到梯度方向向量，利用训练好的网络分类模型对测量数据的梯度方向向量进行识别提取，得到每块区域的类型，即得到了待提取图像的地理信息。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的地理信息提取方法，其特征在于，包括：
步骤一：获取目标区域的三维图像数据；
步骤二：对三维图像数据预处理后切片处理得到N个图像数据；
步骤三：计算出各图像数据的梯度幅值图像，并对梯度幅值图像进行分割得到区域图像；
步骤四：计算每个区域图像的梯度向量后输入卷积神经网络进行训练得到网络分类模型；
步骤五：将待提取图像输入网络分类模型进行识别提取得到该图像的地理信息。
2.根据权利要求1所述的一种基于深度学习的地理信息提取方法，其特征在于，所述预处理过程为将三维图像数据投影得到二维图像数据。
3.根据权利要求1所述的一种基于深度学习的地理信息提取方法，其特征在于，梯度幅值图像的获取方法为：
基于图像数据的像素点计算出x方向的梯度Dx和y方向的梯度Dy；
基于x方向的梯度Dx和y方向的梯度Dy根据式
Figure FDA0003890856120000011
计算该像素点的图像梯度
Figure FDA0003890856120000012
计算出所有像素点的图像梯度
Figure FDA0003890856120000013
后得到梯度幅值图像。
4.根据权利要求3所述的一种基于深度学习的地理信息提取方法，其特征在于，像素点在x方向的梯度Dx和y方向的梯度Dy通过下式计算：
Figure FDA0003890856120000014
式中x和y为像素点在图像数据上的横坐标和纵坐标。
5.根据权利要求1所述的一种基于深度学习的地理信息提取方法，其特征在于，所述区域图像的获取方法包括：用分水岭算法对梯度幅值图像进行分割得到多个区域不同的图像块，对每个图像块进行所述区域类别的标注得到区域图像。
6.根据权利要求1所述的一种基于深度学习的地理信息提取方法，其特征在于，区域图像的梯度方向计算方法为：
区域图像上的像素点i的坐标为(n，m)；
用像素点i的梯度方向向量为
Figure FDA0003890856120000021
以区域图像上所有像素点的梯度方向向量表示该区域图像的梯度向量。
7.根据权利要求1所述的一种基于深度学习的地理信息提取方法，其特征在于，所述待提取图像为无人机测量的三维地理数据。
8.根据权利要求7所述的一种基于深度学习的地理信息提取方法，其特征在于，先对待提取图像执行步骤二和步骤三后得到待提取图像的区域图像；
再计算待提取图像各区域图像的梯度向量后输入网络分类模型进行识别提取。
9.一种基于深度学习的地理信息提取系统，应用于权利要求1-8任意一项所述的基于深度学习的地理信息提取方法，包括：采集模块、预处理模块、计算模块、训练模块和提取模块；
采集模块用于获取目标区域的三维地图数据；
预处理模块用于对三维地图数据预处理后切片处理得到N个图像数据；
计算模块用于计算出各图像数据的梯度幅值图像，并对梯度幅值图像进行分割得到区域图像；
训练模块用于对区域图像计算梯度方向后输入卷积神经网络进行训练得到网络分类模型；
提取模块用于将待提取图像输入网络分类模型进行识别提取出该图像的地理信息。
10.一种非暂态计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。
CN202211259179.3A 2022-10-14 2022-10-14 一种基于深度学习的地理信息提取方法及系统 Pending CN115546551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211259179.3A CN115546551A (zh) 2022-10-14 2022-10-14 一种基于深度学习的地理信息提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211259179.3A CN115546551A (zh) 2022-10-14 2022-10-14 一种基于深度学习的地理信息提取方法及系统

Publications (1)

Publication Number Publication Date
CN115546551A true CN115546551A (zh) 2022-12-30

Family

ID=84734360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211259179.3A Pending CN115546551A (zh) 2022-10-14 2022-10-14 一种基于深度学习的地理信息提取方法及系统

Country Status (1)

Country Link
CN (1) CN115546551A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757964A (zh) * 2023-08-16 2023-09-15 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 用于地理信息展示的图像校正方法
CN118114080A (zh) * 2024-04-28 2024-05-31 山东省国土测绘院 一种基于深度学习的地理信息数据采集方法及系统
CN118114080B (zh) * 2024-04-28 2024-07-05 山东省国土测绘院 一种基于深度学习的地理信息数据采集方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757964A (zh) * 2023-08-16 2023-09-15 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 用于地理信息展示的图像校正方法
CN116757964B (zh) * 2023-08-16 2023-11-03 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) 用于地理信息展示的图像校正方法
CN118114080A (zh) * 2024-04-28 2024-05-31 山东省国土测绘院 一种基于深度学习的地理信息数据采集方法及系统
CN118114080B (zh) * 2024-04-28 2024-07-05 山东省国土测绘院 一种基于深度学习的地理信息数据采集方法及系统

Similar Documents

Publication Publication Date Title
CN110850439B (zh) 一种高精度三维点云地图构建方法
CN108955702B (zh) 基于三维激光和gps惯性导航系统的车道级地图创建系统
CN105930819A (zh) 基于单目视觉和gps组合导航系统的实时城区交通灯识别系统
CN108171131B (zh) 基于改进MeanShift的Lidar点云数据道路标识线提取方法
CN110334578B (zh) 图像级别标注自动提取高分遥感影像建筑物的弱监督方法
CN107944018A (zh) 一种基于激光点云数据的矢量地图位置精度自动质检方法
CN113920262B (zh) 一种增强边缘取样与改进Unet模型的矿区FVC计算方法及系统
CN112150804B (zh) 一种基于MaskRCNN算法的城市多类型交叉口识别方法
CN109815300A (zh) 一种车辆定位方法
CN108846333A (zh) 标志牌地标数据集生成及车辆定位方法
CN113358125B (zh) 一种基于环境目标检测和环境目标地图的导航方法及系统
EP4120123A1 (en) Scan line-based road point cloud extraction method
CN112070756B (zh) 一种基于无人机倾斜摄影的路面立体病害测量方法
CN114509065B (zh) 地图构建方法、系统、车辆终端、服务器端及存储介质
CN106558051A (zh) 一种改进的从单幅图像检测道路的方法
CN108645420A (zh) 一种基于差分导航的自动驾驶车辆多路径地图的创建方法
CN110363054B (zh) 道路标识线识别方法、装置和系统
CN115423968B (zh) 基于点云数据和实景三维模型的输电通道优化方法
Elias et al. Automatic generation and application of landmarks in navigation data sets
CN115294293B (zh) 基于低空航摄成果自动化编译高精地图道路参考线的方法
Lehtomäki et al. Performance analysis of a pole and tree trunk detection method for mobile laser scanning data
CN115546551A (zh) 一种基于深度学习的地理信息提取方法及系统
CN103453882B (zh) 一种基于飞行器的云层高度测量系统及云层高度测量方法
CN112837414B (zh) 基于车载点云数据的三维高精度地图的构建方法
CN114187357A (zh) 一种高精地图的生产方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination